Geri dönüş olasılığını hesaplayın - sayfa 8
Ticaret fırsatlarını kaçırıyorsunuz:
- Ücretsiz ticaret uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
Tamam, o zaman Cauchy veya Laplace dağılımının yoğunluğunu alalım.
Peki Cauchy ve Laplace'ın bununla ne ilgisi var) Dağıtım türüyle ilgilenmiyorum ve kurmayı düşünmüyorum)
Ve Gauss parametreleri gerekli değildir. Soru farklı.
... Gauss'a ne kadar yakın, hangi noktalarda ondan sapıyor ve ne kadar ...
Verilerin tam olarak standart Cauchy dağılımına göre dağıtıldığının güvenilir bir şekilde bilindiği varsayımsal durumda bu soruyu nasıl yanıtlayacağınızı bilmek istedim. O zaman gerçek veriler durumunda cevap vermek daha kolay olurdu. Örneğin, ondalık sapma modüllerinin toplamının minimum olduğu Gauss alma çizgileri boyunca bir şey vb.
Ya ben soruyu hiç anlamadım.
Verilerin tam olarak standart Cauchy dağılımına göre dağıtıldığının güvenilir bir şekilde bilindiği varsayımsal durumda bu soruyu nasıl yanıtlayacağınızı bilmek istedim. O zaman gerçek veriler durumunda cevap vermek daha kolay olurdu. Örneğin, ondalık sapma modüllerinin toplamının minimum olduğu Gauss alma çizgileri boyunca bir şey vb.
Ya ben soruyu hiç anlamadım.
Alexey, Cauchy dağılımı analojisi pratikte nasıl uygulanabilir?
İlginç postscriptum, kulağa hoş gelmedi
Verilerin tam olarak standart Cauchy dağılımına göre dağıtıldığının güvenilir bir şekilde bilindiği varsayımsal durumda bu soruyu nasıl yanıtlayacağınızı bilmek istedim. O zaman gerçek veriler durumunda cevap vermek daha kolay olurdu. Örneğin, ondalık sapma modüllerinin toplamının minimum olduğu Gauss alma çizgileri boyunca bir şey vb.
Ya ben soruyu hiç anlamadım.
En küçük karelerle olağan doğrusal yaklaşım. Kare sapmaların toplamının minimum olduğu Gauss'u alıyoruz.
Sorun şu ki, dağılımın merkezinde sapmaların değeri 0.1 mertebesinde kabul edilebilir olacaktır. Ve kuyruklarda, örneğin, yaklaşık 0.01.
Onlar. Montaj, esas olarak dağıtım merkezinden gelen noktalar tarafından gerçekleştirilecektir.
Ve bana öyle geliyor ki tüm noktalar eşit olarak katılmalı.
Bunu yapmak için dikey eksende logaritmik bir ölçek alabilir veya sapmalar-farklılar yerine sapmalar-kısmiler alabilirsiniz, yani. bir dağılımı diğerine bölün ve ardından yaklaşık yapın.
En küçük karelerle olağan doğrusal yaklaşım. Kare sapmaların toplamının minimum olduğu Gauss'u alıyoruz.
Sorun şu ki, dağılımın merkezinde sapmaların değeri 0.1 mertebesinde kabul edilebilir olacaktır. Ve kuyruklarda, örneğin, yaklaşık 0.01.
Onlar. Montaj, esas olarak dağıtım merkezinden gelen noktalar tarafından gerçekleştirilecektir.
Ve bana öyle geliyor ki tüm noktalar eşit olarak katılmalı.
Bunu yapmak için dikey eksende logaritmik bir ölçek alabilir veya sapmalar-farklılar yerine sapmalar-kısmiler alabilirsiniz, yani. bir dağılımı diğerine bölün ve ardından yaklaşık yapın. .
Nadir olan noktaların "katılımının" ortancaya (merkeze) yakın olanlarla aynı olmasının ve çok daha sık meydana gelmesinin bir nedeni var mı? Yaklaşımdaki rolün güçlendirilmesi ne için? "Kuyruk köpeği sallıyor" çıkmayacak mı?
Aslında, farklı noktaların rolünü kontrol etmek için ağırlıkları olan bir LSM var. Örneğin, bunları normal bir dağılımın olasılık yoğunluğunun karşılığı olarak atayın ve hepsi bu kadar. Ana şey, ağırlıkların toplamının 1 kalmasıdır. Bu arada, düz bir çizgi yaklaşımı değilse "en küçük karelerle doğrusal yaklaşım" nedir?
Nadir olan noktaların "katılımının" ortancaya (merkeze) yakın olanlarla aynı olmasının ve çok daha sık meydana gelmesinin bir nedeni var mı? Yaklaşımdaki rolde neden böyle bir artış var? "Kuyruk köpeği sallıyor" çıkmayacak mı?
Aslında, farklı noktaların rolünü kontrol etmek için ağırlıkları olan bir LSM var. Örneğin, bunları normal bir dağılımın olasılık yoğunluğunun karşılığı olarak atayın ve hepsi bu kadar. Ana şey, ağırlıkların toplamının 1 kalmasıdır. Bu arada, "doğrusal" en küçük kareler yöntemi nedir?
1. Elbette var. Kuyruklar büyük. Piyasa ile ilgili olarak - nadir, ancak büyük kayıplar. Bu, rolün güçlendirilmesi değil, sonuç olarak - tüm noktalara eşit roller verilmesi - bir rolün eksikliğinin telafisidir.
2. Ağırlıklı MNC'yi biliyorum. Sorun yaklaşıklık tekniğinde değil, ideolojisindedir.
3. Değerler arasında doğrusal bir ilişki varsayıldığında.
1. Elbette var. Kuyruklar büyük. Piyasa ile ilgili olarak - nadir, ancak büyük kayıplar.
2. Ağırlıklı çok uluslu şirketler hakkında bilgim var. Sorun yaklaşıklık tekniğinde değil, ideolojisindedir.
3. Değerler arasında doğrusal bir ilişki varsayıldığında.
1. Bu artık bir olasılık yaklaşımı değil. Olasılık dağılımının kuyrukları, önemsiz nadir vakalar anlamına gelir ve ana, önemli olan, kenarlara doğru hızla azalan kendi dağılımlarına sahiptir.
2. Soru şuydu: "Bu arada Alexey ve Vladimir, söyleyin bana. Diyelim ki bazı verilere normal dağılımla yaklaşmak istiyoruz. Dağılımın kuyrukları ve ortası yaklaşık olarak aynı ağırlığa sahip olmalı, sanırım ?"
Cevap hayır. Problem olasılıksal yöntemlerle modelleniyorsa, o zaman, elbette, diğerlerinden daha sık meydana gelen, yani daha olası olan olaylar daha önemlidir. Bu ideolojik.
3. Doğrusal nedensellik mi demek istiyorsun? Ancak ÇUŞ'lar umursamıyor, oradaki bağlantı nedir?
En küçük karelerle olağan doğrusal yaklaşım. Kare sapmaların toplamının minimum olduğu Gauss'u alıyoruz.
Sorun şu ki, dağılımın merkezinde sapmaların değeri 0.1 mertebesinde kabul edilebilir olacaktır. Ve kuyruklarda, örneğin, yaklaşık 0.01.
Onlar. Montaj, esas olarak dağıtım merkezinden gelen noktalar tarafından gerçekleştirilecektir.
Ve bana öyle geliyor ki tüm noktalar eşit olarak katılmalı.
Bunu yapmak için dikey eksende logaritmik bir ölçek alabilir veya sapmalar-farklılar yerine sapmalar-kısmiler alabilirsiniz, yani. bir dağılımı diğerine bölün ve ardından yaklaşık olarak alın.
Pearson'ın uyum iyiliği testini (ki-kare) biraz andırıyor. Üçüncü bölümdeki Kobzar'a bakın. Yalnızca, dağıtım parametreleri bilinmediğinde ve örneklemden tahmin edildiğinde (örneğin, ki-kare istatistiklerini en aza indirerek) basit bir sıfır hipotezi durumu ile karmaşık bir hipotez arasındaki farkı açıkça anlamak gerekir.
1. Bu artık bir olasılık yaklaşımı değil. Olasılık dağılımının kuyrukları, önemsiz nadir vakalar anlamına gelir ve ana, önemli olan, kenarlara doğru hızla azalan kendi dağılımlarına sahiptir.
2. Soru şuydu: "Bu arada Alexey ve Vladimir, söyleyin bana. Diyelim ki bazı verilere normal dağılımla yaklaşmak istiyoruz. Dağılımın kuyrukları ve ortası yaklaşık olarak aynı ağırlığa sahip olmalı, sanırım ?"
Cevap hayır. Problem olasılıksal yöntemlerle modelleniyorsa, o zaman, elbette, diğerlerinden daha sık meydana gelen, yani daha olası olan olaylar daha önemlidir. Bu ideolojik.
3. Doğrusal nedensellik mi demek istiyorsun? Ve MNK umursamıyor, oradaki bağlantı nedir?
1. Önemsiz DEĞİLLER. Böyle bir "önemsiz" dava, "ana" olanlardan kazanılan her şeyin kaybına yol açabilir.
3. Doğrusal korelasyon. Her neyse, LSM'yi LSM değil, doğrusal yaklaşım olarak adlandırdım.
Pearson'ın uyum iyiliği testini (ki-kare) biraz andırıyor. Üçüncü bölümdeki Kobzar'a bakın. Yalnızca, dağıtım parametreleri bilinmediğinde ve örneklemden tahmin edildiğinde (örneğin, ki-kare istatistiklerini en aza indirerek) basit bir sıfır hipotezi durumu ile karmaşık bir hipotez arasındaki farkı açıkça anlamak gerekir.
Yani dağıtım parametrelerini değerlendirme görevi yoktur)